车辆中的驾驶干预的制作方法

本发明涉及一种用于向车辆的控制单元提供警告的方法和系统。

背景技术：

车辆中的高级驾驶员辅助系统(adas)从巡航操纵和自适应照明到例如自动制动、用于将车辆保持在正确车道上的自动转向、以及警告驾驶员存在其它小汽车等更高级的系统。通常地，adas从多个来源例如图像处理摄像机、超声波传感器、雷达或激光探测与测量装置(lidar)检索(retrieve)输入数据。近来，随着现有adas的大量增加，车辆与车辆的连接性和基于云的连接性也随之兴起。

adas的一个方面是如果驾驶行为以某些方式偏离认定的安全驾驶则为驾驶员提供警告。例如，可向驾驶员提供他/她是否驾驶接近前方车辆的警告。此外，在车辆过快地接近障碍物并且预测即将发生撞击的情形下adas甚至可以提供干预例如自动制动。

但是，驾驶员忽视警告也是常见的。例如也可能是报警信号的时机不准确或仅仅是察觉警告不正确。这甚至可能导致驾驶员关闭adas所提供的警告或干预功能。

因此，对于在车辆中提供有效的驾驶员干预尚有改进的空间。

技术实现要素：

鉴于上述内容，本发明的一个目标是提供用于向车辆中的控制单元提供警告信号从而有效地实施车辆动作干预的方法。

根据本发明的第一方面，提供了一种用于向车辆控制单元提供警告信号以控制驾驶员干预的方法，所述方法包括：确定指示当前驾驶状况下当前驾驶行为的当前驾驶行为数据集，检索指示当前驾驶状况下预期驾驶行为的驾驶模式，所述模式基于为多个驾驶状况收集的历史驾驶行为数据，其中驾驶员模式进一步基于随机分析历史驾驶行为数据的分布，预测当前驾驶状况下所述车辆的多个预期的近期路径，确定车辆根据当前驾驶状况所采取的实际路径；将当前驾驶行为数据集与驾驶模式相映射，将实际路径与所述多个预期的近期路径相比较，其中当发现当前驾驶行为数据集与所述驾驶员模式相比的预定偏差度以及实际路径偏离预测预期路径时，向控制单元提供警告信号。

本发明基于这样的认识：提供用于启动车辆中干预的警告可能必须调节以使车辆驾驶员不会忽视警告。因此发明人认识到，通过采用基于“感到意外”的方法即当驾驶员行为偏离所期望行为和实际驾驶路径偏离预期路径时，那么应当向控制单元提供警告信号。接收警告信号的控制单元可以是高级驾驶员辅助系统的一部分并且可能基于警告信号采取适宜的干预动作从而可能干预驾驶员的危险驾驶动作。

预期驾驶员行为例如是当车辆以过高速度接近障碍物时预期驾驶员制动或转弯，或车辆在红灯时停止，仅提及预期驾驶行为的某些示例。

预期的近期路径(expectednearfuturepaths)应当被诠释为在车辆即将出现的数秒期间的路径。因而，预测的预期的近期路径包括在随后的几秒例如1、2、3、4或5秒期间的预测路径。路径应当被理解为意味着纵向路径、横向路径和/或高度路径中任意一个或其组合。

通过利用去噪编码器、生成式对抗网络(generativeadversarialnetwork)或马尔可夫链法(markovchainmethod)中的任何一个处理历史驾驶行为数据可确定驾驶员模式。因此，可通过各种方法实施随机分析。利用任何提及的方法提供根据历史数据确定驾驶员模式的有效方式。此外，所提及的随机方法能够用新数据有效更新驾驶员模式。优选方法是使用生成式对抗网络。

驾驶员模式可包括用于给定驾驶状况的一组参数。参数可能涉及用于车辆的转向角度、速度、加速度、车道位置、档位、距其它目标的距离等等。

此外，当前驾驶员行为数据可包括用于给定驾驶状况的一组参数。参数可能涉及用于车辆的转向角度、速度、加速度、车道位置、档位、距其它目标的距离等等。

预期的近期驾驶路径可能基于当前驾驶员行为数据集从而提供更精确的预期的近期驾驶路径。例如，一个驾驶员模式与其它驾驶员模式相比，某些预期的近期驾驶员路径更具可能性。

根据本发明实施例，预测预期的近期驾驶路径进一步包括：确定至少指示车辆速度和车辆横摆率(yawrate)的车辆驾驶数据，确定指示位于车辆附近的目标以及目标相对于车辆的位置和速度的目标数据；捕获指示车辆当前驾驶道路上车行道的道路数据，并且基于所述道路数据、所述车辆驾驶数据和所述目标数据预测预期的近期驾驶路径。

此外，预测近期驾驶路径可能有利地基于将所述目标数据、所述车辆驾驶数据和所述道路数据输入深度神经网络。深度神经网络可以是包括循环或递归层的多层卷积神经网络以提高路径预测的预测精确度。深度神经网络还可提高路径预测的一致性。

可从来自图像数据、超声波数据、雷达数据、激光探测与测量数据中至少一个的传感器数据提取目标数据。

此外，传感器数据可用于确定当前驾驶状况。换句话说，可收集传感器数据以识别车辆附近的目标、目标相对于车辆的位置和航向以及目标相对于车辆的速度，藉此确立当前驾驶状况。

道路数据提供了有关道路的可驾驶道路区域的信息。例如，可分析传感器数据以检测道路上的车道标线或检测道路边缘。可在预处理步骤中或在独立的处理步骤中例如利用本领域技术人员已知的机器学习或计算机视觉方法和统计信号处理通过处理摄像机或激光探测与测量装置信号首先检测道路边缘和车道标线。

可驾驶道路区域可以是车道标线之间或道路的道路边缘之间适于车辆驾驶的一部分道路。

此外，道路数据可进一步地包括地图数据。可从在线地图或从车辆中的导航系统提取这种地图数据。地图数据可能涉及道路路径、十字路口的位置、高速公路的出口/入口、车道数量等等。

可有利地用当前驾驶员行为数据更新驾驶员模式。因而，通过在驾驶员模式中包括驾驶员行为数据可持续地更新驾驶员模式。

可从远程服务器检索驾驶员模式。因而，可在服务器(即“云”中)上计算多个驾驶员模式并且所述多个驾驶员模式基于来自多个车辆的驾驶员行为数据。因而在服务器上可持续地更新云中的驾驶模式从而保持用附加数据改进这些模式。

根据本发明第二方面，提供了一种向车辆提供警告信号的系统，所述系统包括：被配置为检索指示当前驾驶状况下预期驾驶行为的驾驶模式的控制单元，所述模式基于为多个驾驶状况收集的历史驾驶行为数据，其中所述驾驶员模式进一步基于随机分析历史驾驶行为数据的分布；被配置为基于所述驾驶模式预测用于所述车辆的多个预期近期路径且基于随后的驾驶员行为数据确定车辆的实际驾驶路径的路径预测模块；用于确定指示当前驾驶状况下当前驾驶行为的当前驾驶行为数据集的传感器单元；并且其中控制单元被配置为将当前驾驶行为数据集与所述模式相映射，并将实际路径与预期的近期路径进行比较，其中当实际驾驶路径偏离多个预期的近期驾驶路径以及当发现当前驾驶行为数据集与所述模式相比的预定偏差度时，控制单元被配置为提供警告信号。

根据本发明实施例，传感器单元可包括用于获取指示车辆附近目标的传感器数据的图像捕获装置、雷达或激光探测与测量装置中至少一个，所述系统包括用于收集至少指示所述车辆的速度和横摆率的车辆驾驶数据的车辆传感器单元，其中为了预测预期的近期驾驶路径，预测模块进一步被配置为：确定至少指示车辆速度和车辆横摆率的车辆驾驶数据；检索目标数据；获得指示车辆当前驾驶道路上车行道的道路数据，其中所述预期的近期驾驶路径基于道路数据和目标数据。

目标数据包括各个目标相对于所述车辆的先前位置的时间序列、目标的先前航向的时间序列以及每个目标相对于所述车辆的先前速度的时间序列。

传感器单元可以是外视传感单元(out-lookingsensingunit)，其被配置为捕获指示沿车辆的任何方向上附近存在目标的传感器数据。换句话说，外视传感单元可有利地具有车辆周围360度的覆盖范围。在某些实施中，外视传感单元可以是具有覆盖车辆前方区域的视野的前向传感器单元。

目标相对于车辆的位置应当被理解为包括使得能够确定目标距车辆的距离以及目标处于车辆的哪个方向(例如航向、方位角、或前、后、左、右)的信息。目标位置例如可以是已知车辆坐标中的坐标系中的坐标。

目标数据可进一步包括目标相对于车辆的角速率。

车辆驾驶数据至少包括指示车辆速度和角速度(例如“横摆率”)的数据。车辆驾驶数据可进一步包括指示车辆加速度、纵倾率、侧倾率等等的数据。车辆的纵倾运动(pitchmotion，也称俯仰运动)是车身围绕平行于穿过车辆的侧至侧轴线的横轴旋转。侧倾运动(rollmotion)是车辆围绕平行于穿过车辆的前至后轴线的纵轴的旋转。车辆驾驶数据被用作进一步的输入以便预测预期的近期驾驶路径。

控制单元可有利地被配置为向车辆内的驾驶员辅助系统提供警告信号。驾驶员辅助系统可控制驾驶干预例如自动制动、转向等等。

本发明的该第二方面提供了类似如上所述涉及本发明第一方面的优点。

根据本发明的第三方面，提供了一种包括根据本发明第二方面的系统的车辆。

根据本发明的第四方面，提供了包括具有其上存储用于控制车辆的控制单元以提供警告信号的计算机程序工具的计算机可读介质的计算机程序产品，其中计算机程序产品包括：用于确定指示当前驾驶状况下当前驾驶行为的当前驾驶行为数据集的代码，用于检索指示所述当前驾驶状况下预期驾驶行为的驾驶模式的代码，所述模式基于为多个驾驶状况收集的历史驾驶行为数据，其中所述模式进一步基于随机分析历史驾驶行为数据分布；用于预测当前驾驶状况下所述车辆的多个预期近期路径的代码，用于确定车辆根据当前驾驶状况所采取的实际路径的代码；用于将当前驾驶行为数据集与所述模式相映射的代码，以及用于当发现当前驾驶行为数据集与所述模式相比的预定偏差度和实际路径偏离预测预期路径时控制所述控制单元提供警告信号的代码。

本发明的该第四方面提供了类似如上所述涉及本发明先前方面的优点。

总之，本发明涉及一种用于向车辆的控制单元提供警告信号以控制驾驶员干预的方法。所述方法包括确定指示当前驾驶状况下当前驾驶行为的当前驾驶行为数据集并且检索指示当前驾驶状况下预期驾驶行为的驾驶模式。此外，预测用于车辆的多个预期的近期路径并且额外地确定实际路径。将当前驾驶行为数据集与所述驾驶模式相映射。当发现当前驾驶行为数据集与驾驶模式相比的预定偏差度以及实际路径偏离预测预期路径时，提供警告信号。

当研究所附权利要求和随后的描述时本发明的其它特征和优点将变得更明显。本领域技术人员认识到，本发明的不同特征可能组合以形成除了下文中描述的那些之外的实施例而不脱离本发明的范围。

附图说明

现在将参照示出本发明示例实施例的附图更详细地描述本发明的这些及其他方面，其中：

图1概念上示出本发明实施例的应用；

图2示意性地示出根据本发明实施例的系统的方框图；

图3概念上示出用于随机确定驾驶员模式的方法论；

图4概念上示出目标数据、车辆驾驶数据和道路数据的矩阵；

图5概念上示出根据本发明实施例的目标数据的图示；

图6示意性地示出根据本发明实施例的系统；

图7是根据本发明实施例的方法步骤的流程图；并且

图8是根据本发明实施例的方法步骤的流程图。

具体实施方式

在当前详细说明中，主要参照小汽车形式的车辆描述根据本发明的系统和方法的各种实施例。然而，本发明还可与其它车辆例如公共汽车、卡车等等共同使用。因而，本发明可体现为很多不同的形式并且不应当被诠释为局限于此处阐述的实施例；相反地，为了透彻性和完整性提供这些实施例，并且其完全地给本领域技术人员传达了本发明的范围。相同的附图标记自始至终指的是同样的元件。

图1概念上示出本发明的应用。图1示出在道路3上驾驶的车辆1。车辆1可能已经安装了传感器(未示出)，例如雷达、激光探测与测量装置、超声波传感器和/或图像捕获装置，用于获取指示车辆1附近目标存在的传感器数据。目标例如是在对向车道5上接近当前车辆1的对向车辆7、在相同车道11内车辆1前方驾驶的车辆9、在靠近道路3的人行道15上行走的行人13或靠近道路3的树17，仅列举几种示例的可能目标。

当车辆1在当前驾驶状况下沿道路3驾驶时，传感器收集指示目标7、9、13、17存在的传感器数据。传感器数据可以是来自图像捕获装置例如摄像机的图像或来自雷达或激光探测与测量装置或超声波传感器的传感器数据。

车辆包括控制单元(图1未示出)，控制单元被配置为检索指示用于当前驾驶状况的预期驾驶行为的驾驶行为模式。可根据分析从传感器数据提取的目标数据确定当前驾驶状况。将参照图4和5进一步处理目标数据。

在用于车辆1的该示例性的当前驾驶情况下，车辆1行驶的比车辆9更快。还有在对向车道上驾驶且沿与车辆1和车辆9相反的方向相对快速接近车辆1的车辆7。车辆1从后面接近车辆9，并且根据检索到的驾驶模式的一个预期驾驶行为是用于车辆1减速并且预期的近期路径之一是保持在当前路线19a上，即减速和处于车辆9后面。特别是因为在车辆1的当前驾驶状况下，车辆7接近的过快从而车辆1没有时间超过车辆9。

但是，在如图1所示的示例状况下，车辆1的驾驶员还是决定试图通过加速和启动实际路径21超过车辆9从而选取经过车辆9的路径22。通过将当前驾驶行为与驾驶模式相映射并且将预期的近期路径19a-c与实际路径21相比较，车辆的控制单元发现偏离了多个预期的近期驾驶路径(19a-c)和驾驶模式。因而，这种情况下，控制单元提供警告以使驾驶辅助系统(58,图2)可干涉和操纵车辆回到更安全的路径(例如路径19a)并且减速。应注意到，为了清楚起见，此处仅示出三个预测的预期近期路径。根据本发明，可能有很多预测的近期预期路径，例如十个、成百、上千乃至更多个相关联的预测的预期近期路径。

图2概念上示出根据本发明实施例的系统50。系统包括车辆控制单元52，车辆控制单元52被配置为检索指示当前驾驶状况下预期驾驶行为的驾驶模式。驾驶模式包括用于当前驾驶状况的多个驾驶相关参数，其能够用于评价当前驾驶行为是否偏离预期驾驶行为。可从包括在控制单元52中的电子存储装置或从包括在车辆中的其它存储装置或从与控制单元52通信的远程服务器检索驾驶模式。

系统进一步包括传感器单元54，用于确定指示当前驾驶状况下当前驾驶行为的当前驾驶行为数据。传感器单元54可包括图像捕获装置、雷达或激光探测与测量装置或用于确定车辆速度、转向角度、制动力等等的车辆传感单元中的至少之一。驾驶行为数据被输入控制单元52。此外，来自传感器单元54的数据可提供目标数据，控制单元可利用目标数据确定当前驾驶状况。

系统50进一步包括路径预测模块56，路径预测模块56被配置为基于驾驶模式预测车辆的多个预期的近期驾驶路径(19a-c)。路径预测模块56进一步被配置为基于当前驾驶员行为数据确定车辆的实际驾驶路径。路径预测单元56被配置为从传感器单元54接收传感器数据。

控制单元52被配置为从传感器单元54接收驾驶行为数据并且基于驾驶行为数据确定当前驾驶行为。控制单元52进一步接收驾驶模式并且将其与当前驾驶行为相比较。

此外，控制单元52接收实际驾驶路径和多个预期的近期驾驶路径并且将它们相互比较。如果控制单元52确定实际驾驶路径偏离多个预期的近期驾驶路径并且当前驾驶行为数据集与驾驶模式相比存在偏差，则控制单元52被配置为向驾驶员辅助系统58提供警告信号，所述辅助系统被配置为干预驾驶状况以防止危险状况。警告可用于触发驾驶员辅助系统以在当前驾驶状况下干涉当前驾驶动作。

用于确定驾驶员模式的随机分析可以例如是去噪编码器、生成式对抗网络或马尔可夫链法。在一个优选实施例中，使用生成式对抗网络。

在图3中示意性地示出示例的生成式对抗网络方法。通常，生成式对抗网络包括判别器(d)和生成器(g)，其都可被设置为神经网络的形式。

判别器(d)必须经过训练，即基于训练数据的无监督训练。一旦已被训练则判别器将执行驾驶行为数据与驾驶员模型的映射。可通过车辆的控制单元52操作判别器(参见图2)。

生成器(g)被配置为从潜在空间(latentspace)向判别器提供噪声影响的数据样本(即“假样本”)。判别器被训练以区分真实样本(即当前驾驶行为数据)与假样本。在训练期间，检查判别器在其确定性方面是否正确，并且基于判别器决策的结果微调所述训练。

可能离线即在涉及在很多不同的驾驶状况下驾驶车辆并收集通过生成式对抗网络处理的驾驶行为数据的(无监督的)训练期生成驾驶员模式。此外，可根据历史记录的驾驶行为数据、根据校准或根据带有充足传感器配置的先前车辆产生驾驶员模式。

驾驶行为数据的分布可随后形成并通过使用例如生成式对抗网络来分析分布，可生成可预测给定驾驶状况下的预期驾驶行为的驾驶模式。驾驶模式可加载到车辆内的电子存储装置上或可通过控制单元从远程服务器(未示出)检索它。

当前驾驶员行为与驾驶模式的映射可包括将先前确定的驾驶员模式的参数与当前驾驶行为的参数进行比较。例如，驾驶员模式可包括用于给定驾驶状况的一组参数。参数可能涉及车辆的转向角度、速度、加速度、车道位置、档位、距其它目标的距离等等。类似地，当前驾驶员行为数据可包括用于给定驾驶状况的一组参数。参数可能涉及车辆的转向角度、速度、加速度、车道位置、档位、距其它目标的距离等等。如果根据某些阈值(例如彼此偏差的参数数量，或基于当前驾驶状况彼此偏差的那些参数，等等)参数差异很大，则可提供警告信号。

在一个实施例中，当前驾驶员行为数据被添加于驾驶员模式，即应用在线学习。通过应用所提及的随机方法中任意一个，当前驾驶员行为数据因而被并入驾驶员模式。

现在来看预期驾驶路径的预测并且参照图4-6。

以多种方式实施预期路径和实际路径的预测。预测预期路径的一个方式包括从传感器单元54，即从例如捕获图像数据的图像捕获装置、雷达、超声波传感器和/或激光探测与测量装置获得传感器数据。机器神经网络或计算机视觉方法可应用于传感器数据以便识别车辆附近的目标并且确定它们的状态。这种目标例如是其它车辆7、9、行人13、树17、车道标线等等。

可获得的其它数据是道路数据，例如指示车辆当前驾驶道路上车行道的速度限制和道路曲率。道路信息数据可包括道路边缘和车道标线相对于车辆的位置以便确定车行道。额外地，可包括地图数据以确定预期的近期路径。

在一个可能的实施中，形成用于每个周围目标5、9、13、17的目标数据目录并且其包括每个目标7、9、13、17相对车辆1的先前位置、先前航向和先前速度的时间序列。时间序列例如可包括从先前5秒开始的具有例如0.25秒分辨率的位置、航向和速度。

包括目标数据目录31a-c的矩阵30的概念视图如图4所示。目录31a(即矩阵中的纵列)包括用于时间序列t1-tn的目标先前位置。目录31b包括用于时间序列t1-tn的目标先前航向。目录31c(即矩阵中的纵列)包括用于时间序列t1-tn的目标先前速度。目录31d包括先前车辆驾驶数据，并且目录31e包括先前道路数据。在图1中通过虚线示意性地表示目标5、9、13、17的先前位置。用于每个目标5、9、13、17的每个矩阵被输入深度神经网络以便预测用于车辆1的近期路径。可选地，用于所有目标的数据被包括在单个矩阵(二维或三维矩阵)中。近期路径可以是即将到来的0-5秒。

深度神经网络可以是多层卷积神经网络，其包括可选的循环(recurrent)或递归(recursive)层以提高路径预测的预测精确度。深度神经网络也可提高路径预测的一致性。

图5概念上示出包括车辆1和目标7、9、13、17的一系列鸟瞰图300a-c的图示形式的目标数据表示。鸟瞰图因而一起提供相对于车辆1的目标位置和目标速度的时间序列。也通过图示300a-c提供目标航向。利用图示能够有利地使用卷积深度神经网络来预测路径。

在第一鸟瞰图300a中，收集的传感器数据已被预处理从而提供第一时间的图像(即数据矩阵)。在时间序列的第二时间提供第二鸟瞰图300b并且在时间序列的第三时间提供第三鸟瞰图300c。因而，一系列图示提供目标数据的时间序列并且例如能够看出车辆5如何从车辆1的前方(300a)移动至车辆后方(300c)。车辆9已经处于车辆1前方恒定距离处，并且行人和树也相对于车辆1移动。

通过卷积深度学习网络处理鸟瞰图300a-c以预测用于车辆1的近期路径。要注意，图示的时间序列在此仅仅概念上被示为包括三个鸟瞰图300a-c。

在真实实施中，需要相对较高数量的鸟瞰图并且持续地生成更多鸟瞰图并提供给深度学习网络以便连续预测路径。利用多个图示能够改进图像处理技术例如卷积深度学习网络的使用以便预测近期路径。

图6概念上示出根据本发明的系统40的进一步实施例。系统40包括用于预测车辆近期路径的路径预测模块56。路径预测模块56连接于传感器单元54，传感器单元54包括用于获取指示车辆附近目标存在的传感器数据的图像捕获装置、雷达或激光探测与测量装置中的至少一个。来自传感器54的传感器数据还包括指示车辆当前驾驶道路上的可驾驶道路区域的道路数据。道路数据可包括道路边缘和车道标线相对于车辆的位置以便确定可驾驶道路区域。

此外，在系统40中包括车辆传感器单元55，车辆传感器单元55被配置为收集至少指示车辆速度和车辆横摆率的车辆驾驶数据。车辆传感器单元55可包括陀螺仪、加速度计、速度计、转向扭矩传感器等等中的至少一个。车辆传感器单元55提供指示车辆加速度、纵倾率(pitchrate)、侧倾率(rollrate)等等的数据。

传感器数据、车辆驾驶数据和道路数据被输入到可包括预处理模块44和处理模块46的路径预测模块56。预处理模块44可包括用于处理传感器数据和道路数据的软件单元。在预处理模块44中，例如通过用于获取每个识别目标的目标数据的机器学习算法的计算机视觉方法来处理传感器数据、车辆驾驶数据和道路数据。目标数据包括用于先前例如0-5秒的各个目标的先前位置、先前航向和先前速度。当收集了新的传感器数据、车辆驾驶数据和道路数据时，生成更新的目标数据。目标数据可被设置为一个或多个矩阵的形式或包括一系列图像的图示，每个图像指示各个目标相对车辆的先前位置以及各个目标的先前航向。

目标数据矩阵或目标数据的图示和道路数据被输入到路径预测模块56的处理模块46。处理模块46可包括用于基于目标数据、车辆驾驶数据和道路数据的目标矩阵或图示执行用于预测车辆近期路径的深度神经网络的软件单元。

进一步参照图6，至深度神经网络的附加输入可包括地图信息或目的地数据，其可从例如包括全球定位系统或确立道路上位置的其它设备的导航系统45输入以及从有关目的地的驾驶员输入。地图信息提供了用于深度神经网络的附加信息，例如十字路口位置、高速公路出口/入口、速度限制、车道数量等等。

图7是根据本发明实施例的方法步骤的流程图。在第一步骤s502中，确定指示当前驾驶状况下当前驾驶行为的当前驾驶行为数据集。在步骤s504中，检索指示当前驾驶状况下的预期驾驶行为的驾驶模式。进一步地，在步骤s508中，在当前驾驶状况下预测车辆的多个预期近期驾驶路径。当前驾驶行为数据集被与驾驶模式相映射(步骤s510)并且实际路径被与预测的预期驾驶路径(s512)相比较。当发现当前驾驶行为数据集与驾驶模式相比的预定偏差度以及实际路径偏离预测预期路径时，在步骤s514中提供警告信号。

图8是根据本发明实施例的用于预测近期路径的进一步方法步骤的流程图。在步骤s601中确定至少指示车辆速度和车辆横摆率的车辆驾驶数据。在步骤s602中，确定指示位于车辆附近的目标、目标航向以及目标相对于车辆的速度的目标数据。在步骤s604中，获得当前驾驶状况下包括至少速度限制和道路曲率的道路数据。在步骤s606中基于道路数据和目标数据预测多个预期的近期驾驶路径。

可利用现有的计算机处理器或通过用于该目的或其它目的而合并的适宜系统的专用计算机处理器或通过硬线系统(hardwiresystem)实施本发明的控制功能。本发明范围内的实施例包括具有用于承载或其上存储机器可执行指令或数据结构的机器可读介质的程序产品。这种机器可读介质能够是通过通用的或专用计算机或带有处理器的其它机器访问的任何可用介质。举例来说，这种机器可读介质能够包括ram、rom、eprom、eeprom、cd-rom或其它光盘存储器、磁盘存储器或其它磁存储装置或可用于承载或存储机器可执行指令或数据结构形式的所期望程序代码且能够通过通用的或专用计算机或带有处理器的其它机器访问的任何其它介质。当在网络或其它通信连接(硬线的、无线或硬线和无线的组合)上向机器传送或提供信息时，机器恰当地将连接视为机器可读介质。因而，任何这种连接被恰当地称为机器可读介质。上述组合也包括在机器可读介质的范围内。机器可执行指令例如包括使得通用计算机、专用计算机或特殊用途处理机执行某个功能或某组功能的指令和数据。

虽然附图可能示出了次序，但是步骤的顺序可能不同于所示的。同样，可能同时或部分同时地执行两个或更多步骤。这种变化将取决于所选择的软件和硬件系统以及设计师的选择。所有这种变化都在本发明的范围内。同样地，可用带有基于规则的逻辑和其它逻辑的标准编程技术实现软件实施从而实现各种连接步骤、处理步骤、比较步骤和决策步骤。

所属技术领域的技术人员认识到，本发明绝不局限于如上所述的优选实施例。相反，很多改进和变化也是所附权利要求范围内可能的。

在权利要求中，单词“包括”不排除其它元件或步骤，不定冠词“一个”不排除多个。单个处理器或其它单元可能完成权利要求记载的若干项目的功能。某些测量值记载在相互不同的从属权利要求中这个纯粹事实并不表示这些测量值的组合不能用于得利。权利要求中的任何附图标记不应该被诠释为限制所述范围。